dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Additional title: |
Cens d'Animals Salvatges Utilitzant Aprenentatge Profund amb Imatges Tèrmiques-Aèries |
| Additional title: |
Censo de Animales Salvajes Utilizando Aprendizaje Profundo con Imágenes Térmicas-Aereas |
| Date: |
2022 |
| Abstract: |
The creation of wildlife censuses is essential for fauna and ecosystem conservation. To produce them agily, we need to use aerial-thermal images. In this TFG, a revision on computer vision methods, models and object detection datasets for wildlife censuses creation is performed. In this context, a system is proposed and evaluated, and the use of YOLOv5 for real-time wildlife detection is studied. This model is evaluated with a bench-marking wildlife dataset from an aerial-thermal perspective, BIRDSAI. In this work, unbalance and sampling bias is found in the data. As a solution, stratified sampling is proposed. The results show a 33% increase of the mAP with respect to a first approximation with the proposed subsets given by BIRDSAI's authors. Additionally, some insights are provided towards the dataset in production from the Agents Rurals in collaboration with the Computer Vision Center. |
| Abstract: |
La creació de cens d'animals salvatges ́es essencial per la conservació de la fauna i ecosistemes. Per realitzar-ho àgilment, la tasca es realitza a partir d'imatges aèries i tèrmiques. En aquest TFG, es fa una revisió dels mètodes de visió per computador, models i datasets de detecció d'objectes utilitzats per la creació de censos de fauna. En aquest context, es proposa i avalua un sistema i s'estudia la utilització de YOLOv5 per la detecció d'animals en temps real. El sistema és avaluat amb un dataset d'imatges aèries i tèrmiques de referència, BIRDSAI. En el treball s'identifiquen problemes de desbalanceig i biaix de mostreig en el dataset. Com a solució, s'ha proposat fer-ne una redistribució estratificada. La proposta millora el mAP en un 33% respecte a una primera aproximació amb els subconjunts suggerits pels autors de BIRDSAI. A més, s' escenifiquen els reptes pel dataset en producció dels Agents Rurals en col·laboració amb el CVC. |
| Abstract: |
La creación de censos de animales salvajes es esencial para la conservación de la fauna y ecosistemas. Para realizarlo ágilmente, la labor se realiza a partir de imágenes aéreas y térmicas. En este TFG, se hace una revisión de los métodos de visión por computador, modelos y datasets de detección de objetos utilizados por la creación de censos de fauna. En este contexto, se propone y evalúa un sistema y se estudia la utilización de YOLOv5 para la detección de animales en tiempo real. El sistema es evaluado con un dataset de imágenes aéreas y térmicas de referencia, BIRDSAI. En el trabajo se identifican problemas de desbalanceo y sesgo de muestreo en el dataset. Como solución, se ha propuesto realizar una redistribución estratificada. La propuesta mejora el mAP en un 33% respecto a una primera aproximación con los subconjuntos sugeridos por los autores de BIRDSAI. Además, se escenifican los retos por el dataset en producción de los Agentes Rurales en colaboración con el CVC. |
| Rights: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Language: |
Anglès |
| Studies: |
Grau en Enginyeria Informàtica [2502441] |
| Study plan: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau ; Text |
| Subject area: |
Menció Computació |
| Subject: |
Cens d'Animals Salvatjes ;
Detecció d'Objectes ;
Aprenentatje Profund ;
YOLOv5 ;
Censo de Animales Salvajes ;
Detección de Objetos ;
Aprendizaje Profundo ;
Wildlife census ;
Object detection ;
Deep Learning |
guest ::
dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
